Demir yolu operasyonlarında bilgisayarlı görü uygulamaları

Bu makalede ele alınan kavramları görsel olarak adım adım görmek için aşağıdaki videoyu izle.

Demir yolları, kara ulaşım sistemlerinin temel unsurlarındandır. Dünya genelinde 1 milyon güzergâh kilometresini aşan demir yolu ağları, şehirleri, sektörleri ve toplulukları büyük mesafeler boyunca birbirine bağlar. Bu sistemler büyüyüp talep arttıkça güvenliği ve verimliliği sağlamak için manuel kontroller ve izleme yeterli olmuyor.

Yeni çözümler giderek daha önemli hâle geliyor. Örneğin görsel verilerin işlenmesiyle ilgilenen bir yapay zekâ (AI) dalı olan bilgisayarlı görü, çeşitli demir yolu operasyonlarını kolaylaştırmak için kullanılıyor.

Görüntü işleme özellikli sistemler, demir yolu işletmecilerine operasyonlar hakkında gerçek zamanlı farkındalık sağlamak için kameralar ve Ultralytics YOLO11 gibi bilgisayarlı görü modelleri kullanır. Nesne algılama ve örnek segmentasyonu gibi görevler sayesinde YOLO11 gibi modeller devreye girerek nesneleri, insanları veya tehlikeleri tespit etmek için rayları, peronları, tünelleri ve trenlerin içini analiz edebilir.

Birinin peron kenarına fazla yakın durduğu veya rayların üzerinde döküntü bulunduğu bir durumu düşün. Görüntü yapay zekâsı bunu gerçek zamanlı tespit edip uyarı gönderebilir; böylece istasyon ekipleri hızla karşılık vererek olası risklerin gecikmelere veya kazalara dönüşmesini önleyebilir. Ayrıca sürekli gözetlenmesi zor alanları izleyerek personele destek olur.

Şekil 1. Tren peronunda duran insanları tespit etmek için Ultralytics YOLO11 kullanımına bir örnek.

Yapay zekâ ve bilgisayarlı görünün benimsenmesi arttıkça daha fazla şehir, demir yolu operasyonlarını daha güvenli ve verimli hâle getirmek için görüntü yapay zekâsı kullanmaya başlıyor. Bu makalede, demir yolu taşımacılığı iş akışlarında görüntü yapay zekâsının dünya genelinde nasıl uygulandığını inceleyeceğiz.

Demir yolu taşımacılığı operasyonlarında Görüntü Yapay Zekâsının rolü#

Demir yolu ağlarında gerçek zamanlı izlenmesi gereken pek çok hareketli unsur bulunur. Geleneksel olarak istasyon personelinin yürüttüğü işler artık yapay zekâ kullanılarak otomatikleştirilebilir. YOLO11 gibi bilgisayarlı görü modelleri, istasyon işletmecilerinin demir yolu faaliyetlerini daha yakından izlemesine ve sorunlar ortaya çıktığında hızla müdahale etmesine yardımcı olabilir.

Özellikle bilgisayarlı görü görevleri, bu modellerin kameralardan alınan görsel girdileri kullanarak yerine getirmek üzere eğitilebildiği belirli işlevleri ifade eder. Demir yolu operasyonlarını izlemek için kullanılabilecek bazı temel görevler şunlardır:

• Nesne algılama: Bu görev, bir görüntü veya video karesindeki belirli nesneleri tanımlamayı ve konumlarını belirlemeyi içerir. Demiryolu uygulamalarında Ultralytics YOLO11 gibi modeller; rayların üzerinde veya yakınında bulunan enkaz, alet, bagaj ya da insan gibi ögeleri algılayabilir.
• Örnek segmentasyonu: Her bir nesnenin çevresini sınırlayıcı kutu yerine piksel düzeyinde bir maskeyle belirler. Demir yolu altyapısının izlenmesinde çatlak, korozyon veya aşınma gibi özellikleri belirleyerek rayların, platformların ve diğer yüzeylerin durumunu değerlendirmek için kullanılabilir.
• Poz tahmini: İnsan duruşunu anlamak için temel vücut eklemlerinin konumlarını algılamayı ve analiz etmeyi içerir. Demiryolu ortamlarında, bir kişinin peronda yere yığılması gibi acil durumları belirlemeye yardımcı olabilir ve müdahale için uyarıları tetikleyebilir.
• Nesne takibi: Bu, algılanan nesnelerin birden fazla video karesi boyunca hareketini izlemeyi ifade eder. İstasyonlarda veya trenlerde takip, yolcu akışını izlemeye ve tren hareketlerini takip etmeye yardımcı olur.

Şekil 2. Ultralytics YOLO11, güvenlik amacıyla insanları ve trenleri algılamak ve takip etmek için kullanılabilir.

Demiryollarını izlemek için Vision AI kullanımı#

Görüntü tabanlı izleme genellikle güvenlik ve gözetimle ilişkilendirilse de demiryolu sistemlerinde Vision AI, temel güvenlik görevlerinin çok ötesinde kullanılır. Ağ genelinde operasyonları iyileştirmede, güvenliği artırmada ve sistem yönetimini desteklemede de rol oynar.

Toplu taşımada Vision AI kullanmanın önemli bir yararı, gerçek zamanlı çalışabilmesidir; bu sayede istasyon personeli olası sorunların önüne geçmek için zamanında ve yararlı bilgiler alır.

Bilgisayarlı görü uygulamalarının demiryollarının daha yüksek hassasiyet ve kontrolle çalışmasına nasıl yardımcı olduğuna dair gerçek dünyadan bazı örneklere bakalım.

Bakım görevleri için demiryolu sistemlerinde nesne algılama#

Avrupa'da demiryolu trafiği artmaya devam ederken güvenilir altyapı izlemesine duyulan ihtiyaç kritik hâle geldi. Güvenli ve sorunsuz operasyonlar için raylarda aşınma, hasar ve hizasızlık düzenli olarak incelenmelidir. Bu, maliyetli aksaklıklara veya kazalara yol açmadan önce kusurların erken belirtilerini bulmak için binlerce kilometrelik rayın kontrol edilmesini gerektirir. Vision AI, bu inceleme sürecini otomatikleştirmek ve iyileştirmek için etkili bir yöntem sunar.

Şekil 3. Bilgisayarlı görü sistemleri, demiryolu raylarının kusurlu kısımlarını algılayabilir.

Örneğin, demiryolu ağı binlerce kilometreye yayılan Hollanda'da rayları sürekli izlemek ve bakımını yapmak büyük bir iştir. Elle yapılan incelemeler hâlâ önemli olsa da yavaş ilerleyebilir, yoğun emek gerektirebilir ve çoğu zaman hizmeti aksatabilir. Bu sorunu çözmek için rayların durumunu gerçek zamanlı olarak inceleyen bir bilgisayarlı görü sistemi devreye alındı.

Hareket hâlindeki trenlere monte edilen kameralar, kesintisiz bir yüksek çözünürlüklü görüntü akışı yakalar. Bu görüntüler daha sonra raylardaki hizasızlıkları, aşınmış veya hasarlı bileşenleri ve eksik parçaları algılamak üzere eğitilmiş Vision AI modelleri tarafından analiz edilir.

Sürekli ve otomatik izleme sayesinde incelemeler yalnızca daha hızlı değil, aynı zamanda daha doğru hâle gelir. Bakım ekipleri, en çok ilgilenilmesi gereken alanlara öncelik vererek gereksiz kontrolleri azaltabilir. Bunun sonucunda işletmeciler, günlük hizmeti kesintiye uğratmadan operasyonel riskleri azaltabildi, gecikmeleri düşürebildi ve genel güvenliği artırabildi.

Demiryolu altyapısında yapay zekâyla daha güvenli operasyonlar#

Büyük ölçekli demiryolu projelerinde sahada güvenliği sağlamak, en kalıcı zorluklardan biridir. Bu durum, aktif çalışma sahalarının ve sürekli değişen koşulların kesintisiz gözetim gerektirdiği Çin'in Wuhan kentindeki kentsel demiryolu ağının inşası sırasında özellikle belirgindi.

Geleneksel olarak güvenlik kontrolleri elle gözleme dayanıyordu; bu da risklerin çoğu zaman ancak bir olay yaşandıktan sonra fark edilmesi anlamına geliyordu. Müdahale sürelerini iyileştirmek ve riski azaltmak için araştırmacılar, bilgisayarlı görüyle desteklenen gerçek zamanlı bir güvenlik izleme sistemi geliştirdi.

Faaliyetleri kesintisiz kaydetmek için şantiyelere 240'tan fazla yüksek çözünürlüklü kamera yerleştirildi. Görüntüler sahada işlendi; kullanılan yapay zekâ modelleri yalnızca kişilerin tehlikeli alanlara girdiği anları değil, yakındaki ekipmanların sabit mi yoksa hareket hâlinde mi olduğunu da algılayabiliyordu. Bu, gerçek zamanlı risk değerlendirmesinde önemli bir etkendir. Güvenli olmayan bir davranış algılandığında sistem, saha yöneticilerine anında uyarı gönderebiliyordu.

Şekil 4. Bilgisayarlı görü kullanarak tehlikeleri algılama.

Vision AI ile demiryolu gözetimine bakış#

Bakım ve güvenlik denetimlerini iyileştirmenin yanı sıra bilgisayarlı görü, izinsiz girişleri gerçek zamanlı olarak izlemek için demir yolu raylarında da kullanılıyor. Bu ciddi bir endişe kaynağı; yalnızca 2023'te Amerika Birleşik Devletleri'nde demir yollarıyla ilgili yaklaşık 1.000 ölüm bildirildi. Bu olayların çoğunda raylara izinsiz girilmesi söz konusuydu; geleneksel izleme yöntemlerinin genellikle yetersiz kaldığı bir alan.

Bu sorunu çözmek için Amerika Birleşik Devletleri'ndeki demiryolları bilgisayarlı görü çözümlerini benimsemeye başlıyor. Bu sistemler, izinsiz giriş, raylardaki engeller ve olası sinyal ihlalleri gibi olayları algılamak için yapay zekâ modellerinin analiz ettiği canlı video akışlarını kullanır. Sistem, bu sorunları ortaya çıktıkları anda belirleyerek hizmet aksatılmadan veya güvenlik tehlikeye girmeden önce ekiplerin hızla müdahale etmesine yardımcı olur.

Belirli aralıklarla yapılan elle incelemelerin aksine bilgisayarlı görü sistemleri, ağ genelinde kesintisiz ve gerçek zamanlı izleme sağlar. Bir tehdit algılandığında işletmecilere hemen uyarı gönderilir ve hızlı, hedefe yönelik müdahaleler mümkün olur. Böylece durumsal farkındalık artar, müdahale hızlanır ve önlenebilir olaylardan kaynaklanan gecikmeler azalır.

Vision AI ile gıda güvenliğinin izlenmesi#

Her gün trenlerde ve istasyonlarda milyonlarca öğün hazırlanıp servis edilir ve hijyen en önemli önceliklerden biridir. Hindistan'da Indian Railway Catering and Tourism Corporation (IRCTC), dünyanın en büyük demiryolu yemek hizmeti ağlarından birini yönetir.

Yakın zamana kadar hijyen kontrolleri elle yapılıyordu; bu da her mutfağı sürekli izlemenin önünde engel oluşturuyordu. Verimliliği ve güvenilirliği artırmak için IRCTC, gıda güvenliği uygulamalarını gerçek zamanlı izleyen bir Vision AI sistemi devreye aldı.

Sistem, mutfaklardaki ve yiyecek hazırlama alanlarındaki mevcut CCTV kameralarına bağlanır. Personelin ellerini yıkamaması, eldiven veya saç filesi takmaması ya da çalışma alanlarının temiz olmaması gibi yaygın hijyen sorunlarını tespit etmek üzere eğitilmiş yapay zekâ modelleri kullanır.

Devreye alındığından beri sistem, hijyen standartlarının iyileşmesine yardımcı oldu ve personelin yemek hazırlamaya daha fazla, yalnızca prosedürleri kontrol etmeye ise daha az zaman ayırırken gıda güvenliğini yakından takip etmesini kolaylaştırdı.

Demiryolu operasyonlarında bilgisayarlı görünün artıları ve eksileri#

Bilgisayarlı görü, demiryolu sistemlerinde güvenliği, bakımı ve günlük operasyonları iyileştirme konusunda çeşitli yararlar sunar. Başlıca avantajlardan bazıları şunlardır:

• Kestirimci bakım: Vision AI, raylarda ve altyapıda aşınma veya hasarın erken belirtilerini algılayarak arızaları oluşmadan önlemeye yardımcı olabilir.
• 7/24 izleme: İnsan denetçilerin aksine bilgisayarlı görü sistemleri yorulmadan veya vardiyaya ihtiyaç duymadan kesintisiz çalışabilir.
• Ölçeklenebilirlik: Devreye alındıktan sonra aynı sistem, çok az ek çabayla daha fazla istasyonu, treni veya operasyon bölgesini kapsayacak şekilde genişletilebilir.

Vision AI'ın demiryolu taşımacılığına getirdiği birçok olumlu özelliğe rağmen bu sistemleri devreye alma ve sürdürme konusunda hâlâ zorluklar vardır. Göz önünde bulundurman gereken bazı dezavantajlar şunlardır:

• Gizlilik endişeleri: Kamusal alanlarda sürekli gözetim, etik sorunlara ve yolcularla personelin rahatsızlık duymasına yol açabilir.
• Yüksek başlangıç maliyeti: Kameralar, sunucular ve yapay zekâ yazılımı dâhil bir Vision AI sistemi kurmak, başlangıçta önemli bir yatırım gerektirir.
• Karmaşık entegrasyon: Bilgisayarlı görü sistemlerini eski sinyalizasyon veya kontrol sistemleri gibi mevcut altyapılarla bütünleştirmek teknik açıdan zor olabilir.

Önemli çıkarımlar#

Demiryolu ağları büyüdükçe güvenilir içgörüler sunan gerçek zamanlı sistemlere olan talep artıyor. Bilgisayarlı görü sistemleri, işletmecilerin sorunlara hızlı ve doğru biçimde müdahale etmesine yardımcı olmak için nesne algılama, yapısal kontroller ve gerçek zamanlı uyarılardan yararlanır.

Yapay zekâ araçları günlük operasyonları iyileştirirken uzun vadeli bakım maliyetlerini ve güvenlik risklerini de azaltır. Bu araçlar geliştikçe yapay zekânın demiryolu sistemlerini daha verimli, hızlı yanıt veren ve güvenli hâle getirmede önemli bir rol oynaması bekleniyor.

Büyüyen topluluğumuza katıl! Yapay zekâ hakkında daha fazla bilgi edinmek için GitHub depomuzu keşfet. Bilgisayarlı görü projelerine başlamaya hazır mısın? Lisanslama seçeneklerimize göz at. Çözüm sayfalarımızı ziyaret ederek tarımda yapay zekâyı ve sağlık hizmetlerinde Vision AI'ı keşfet!